[论文解读] Stock Trading Using PE ratio: A Dynamic Bayesian Network Modeling on Behavioral Finance and Fundamental Investment

Haizhen Wang, Ratthachat Chatpatanasiri+1 more|arXiv (Cornell University)|May 25, 2017

Stock Market Forecasting Methods参考文献 7被引用 3

一句话总结

本文提出一种动态贝叶斯网络（DBN）模型，利用行为金融学原理和历史财务数据，正式估算基本面市盈率（PE）。通过整合专家意见和时间序列数据，该模型实现了一种统一、可解释的交易策略，在个股和分散投资组合中均持续优于基准，且通过自助抽样法验证了其统计显著的优越性。

ABSTRACT

On a daily investment decision in a security market, the price earnings (PE) ratio is one of the most widely applied methods being used as a firm valuation tool by investment experts. Unfortunately, recent academic developments in financial econometrics and machine learning rarely look at this tool. In practice, fundamental PE ratios are often estimated only by subjective expert opinions. The purpose of this research is to formalize a process of fundamental PE estimation by employing advanced dynamic Bayesian network (DBN) methodology. The estimated PE ratio from our model can be used either as a information support for an expert to make investment decisions, or as an automatic trading system illustrated in experiments. Forward-backward inference and EM parameter estimation algorithms are derived with respect to the proposed DBN structure. Unlike existing works in literatures, the economic interpretation of our DBN model is well-justified by behavioral finance evidences of volatility. A simple but practical trading strategy is invented based on the result of Bayesian inference. Extensive experiments show that our trading strategy equipped with the inferenced PE ratios consistently outperforms standard investment benchmarks.

研究动机与目标

• 通过数据驱动、可解释的框架正式化基本面市盈率估算，解决现有文献中系统性建模的缺失。
• 通过利用单一DBN结构，统一不同证券的基于市盈率的交易策略，避免对每只证券重新训练模型。
• 将专家意见和行为金融学证据整合进概率学习框架，以提升投资决策支持能力。
• 开发针对非标准DBN结构（用于建模潜在基本面市盈率和噪声市场效应）的新型推理与参数估计算法。
• 通过个股和分散投资组合的回测，实证验证模型相对于标准基准的表现。

提出的方法

• 作者构建了一个包含两个隐变量的动态贝叶斯网络（DBN）：基本面市盈率和中期噪声市场效应。
• 推导出前向-后向推理和EM算法，以在DBN结构中执行参数学习和信念更新。
• 该模型基于行为金融学，将噪声效应解释为市场过度反应或情绪驱动的波动。
• 基于贝叶斯推理设计了一种简单、可解释的交易策略：当估计市盈率低于阈值时买入，高于阈值时卖出。
• 该框架允许直接将专家意见作为先验分布或网络中的证据进行整合。
• 通过自助抽样法评估投资组合层面的表现，以估计模型与基准之间利润差异的分布。

实验结果

研究问题

• RQ1 能否有效利用动态贝叶斯网络，从历史财务数据和专家见解中推断基本面市盈率？
• RQ2 所提出的基于DBN的交易策略是否在个股和分散投资组合设置中均持续优于标准基准？
• RQ3 投资组合分散化如何影响模型相对于基准优越性的统计置信度？
• RQ4 行为金融学原理在多大程度上可以被正式嵌入概率图模型以用于股票估值？
• RQ5 能否从单一DBN模型中推导出一种统一、可解释的交易策略，适用于多只证券？

主要发现

• 在平均利润差异方面，该模型在所有测试情形中均持续优于基准，且预期利润差异（E[X]）为正。
• 在结合SET和美国市场的15只股票投资组合中，80.64%的情形显示模型表现优于或等于基准的置信度超过80%。
• 对于两国投资组合，50%的情形实现了超过90%的优越性置信度，表明分散化对置信水平具有积极影响。
• 利润差异的实证分布呈右偏且尾部较长，验证了使用自助抽样法而非渐近解析方法的合理性。
• 在仅美国市场的中短期阈值策略中，10%的阈值下，优越性置信度达到97.06%，平均利润差异为11.88%。
• 在所有测试的阈值和市场组合中，模型表现均具有统计优越性，对于分散化投资组合，8种情形中有7种的Pr(X ≥ 0)超过80%。